23个机器学习项目，助你成为人工智能大咖
人工智能（AI）是近年来最火的技术之一。从商品推荐（淘宝、京东）、个性化推送（今日头条）、自拍美颜、翻译，到语音识别、无人驾驶、图像识别、自动化客服等诸多领域，人工智能都扮演了颠覆性的角色。
人工智能背后的机器学习和深度学习技术，早已成为高薪的代名词。那么，普通程序员如何踏入AI的浪潮，站上时代薪资顶端呢？
接下来，我们就分几个阶段，讲解一下如何系统地学习「机器学习」和「深度学习」。
关键词：数学、Python
人工智能是一门兼顾数学和编程的综合性学科。
虽然越来越多的框架使人工智能越来越简单，看似调个包就能完成。
但在真实的工作中，数学基础和对算法的理解，都是决定你职业生涯能走多远的关键因素。它们能帮你更快地理解问题、更好地选择模型、更深入地解决问题。
如果数学基础不好也不必担心，你不必是专业数学人士。机器学习的基本就是将统计学和计算机科学中的概念应用在数据上，所以保证自己的统计学知识别掉队即可。
推荐阅读：李航 —《统计学习方法》
“与动辄上百的机器学习书籍比起来，这本30元的教材没有一句多余的废话，非常经典，可以给你的学习打下坚实的基础。”——实验楼机器学习专家huhuhang老师
推荐视频：可汗学院公开课：线性代数_全143集（http://open.163.com/special/Khan/linearalgebra.html）
“如果你完全没有线性代数基础。我们推荐你观看著名公益组织可汗学院制作的线性代数公开课程。你只需要重点观看以下内容：
第1集 矩阵简介
第2集 矩阵乘法(一)
第3集 矩阵乘法(二)
第4集 矩阵的逆(一)
第5集 矩阵的逆(二)
第6集 矩阵的逆(三)
第7集 矩阵法求解方程组
第8集 矩阵法求向量组合
第9集 奇异矩阵
第12集 向量简介
第21集 向量的点积和模长
第33集 矩阵向量积
第48集 矩阵向量乘法与线性变换
第42集 列空间的维数或秩
第59集 单位向量
第77集 求逆矩阵举例
第92集 矩阵的转置
第136集 求解特征向量和特征空间
第137集 求解3×3矩阵的特征值
第138集 求解3×3矩阵的特征向量和特征空间
数学没学好，还能当个调包侠，但编程没学好的话，就完全没办法了。
在今天，不管你是编程小白，还是已经有其他语言基础的 —— 想学习人工智能，Python都是你的第一选择。
整体上看，Python 已经成为人工智能的基本语言，能够和大多数平台无缝对接；同时大多数人工智能方面的教材都使用Python作为教学语言。所以在第一个阶段，Python基础可能比数学基础更重要。
推荐课程：Python简明教程（免费）
https://www.shiyanlou.com/courses/596
Python3 简明教程_Python_实验楼 - 实验楼
关键词：科学计算、数据处理工具 —— numpy、matplotlib、Pandas等
学完了Python基础后，就可以开始学习机器学习了吗？
别急，在开始之前，你需要明白，机器学习、深度学习都是一门和数据打交道的学科 —— 机器学会挑西瓜，需要记录上千个西瓜模型；学会下围棋，则需要观测上百万盘棋局。
要输入这么多数据肯定会劝退不少人……好在，为了让你更简单地输入、处理、清理、理解 动不动就上亿级的数据，先贤们开发了很多好用的模块。其中，Pandas、Numpy、Matplotlib 是必学的。
numpy 是 Python 语言的一个扩充程序库。支持大量高维度数组与矩阵运算，也提供了大量的数学函数库。机器学习涉及到大量对数组的变换和运算，NumPy 就成了必不可少的工具之一。
pandas 是基于 NumPy 的数据处理工具，其提供了高效操作大型数据集所需的函数和方法，是数据分析中必不可少的模块。
matplotlib 是一个开源绘图库，因为其支持丰富的绘图类型、简单的绘图方式以及完善的接口文档，深受 Python 工程师、科研学者、数据工程师等各类人士的喜欢。当我们在学习机器学习的课程时，掌握 Matplotlib 的使用无疑也是最重要的准备工作之一。
推荐学习：
NumPy 百题大冲关
Pandas 百题大冲关
使用 Matplotlib 绘制 2D 和 3D 图形
（微信中无法打开外链，点击阅读原文即可找到这些课程）
闯关式的学习体验，全部免费，强烈推荐 大家尝试下。同时，这三门课也是「楼+机器学习实战」的预习课程。
关键词：机器学习——监督学习、线性回归、10种监督算法、非监督学习、四大聚类、10种聚类算法等
有了前面基础理论和工具的铺垫后，我们便可以学习目前最为前沿的AI技能——机器学习和深度学习。
机器学习是一个非常广泛和丰富的领域，几乎在每个行业都有应用。通过下面这些项目，你可以由浅入深地入门机器学习，逐步建立一个全面的理解：
算法基础：
K-近邻算法实现手写数字识别系统--《机器学习实战 》
《Python 贝叶斯分析》- 利用逻辑回归实现鸢尾花分类
基于SVM的猫咪图片识别器（会员）
决策树实战项目-鸢尾花分类（会员）
基础项目（会员）：
Python 实现英文新闻摘要自动提取
使用 Python 实现深度神经网络
人机对战初体验:Python基于Pygame实现四子棋游戏
使用卷积神经网络进行图片分类
基于卷积神经网络实现图片风格的迁移
进阶项目：
使用机器学习方法预测世界杯冠军（免费）
NBA常规赛结果预测：利用Python进行比赛数据分析（免费）
神经网络实现手写字符识别系统（免费）
Python 气象数据分析：《Python 数据分析实战》（免费）
scikit-learn 实战之监督学习（会员）
scikit-learn 实战之非监督学习（会员）
神经网络实现人脸识别任务（会员）
Twitter数据情感分析（会员）
大数据带你挖掘打车的秘籍（会员）
Ebay 在线拍卖数据分析（会员）
（微信中无法打开外链，点击阅读原文即可找到这些课程）
关键词：强化学习、深度学习——TensorFlow、Pytorch、Keras、Caffee、CNN、RNN、GAN等
学习完机器学习，进入到最后的深度学习阶段。这些年来，几乎一切人工智能新闻都和深度学习有关，比如alpha go、prisma、语音识别、无人驾驶等。
深度学习是机器学习的一种，指的是深度神经网络学习。普通神经网络由于训练代价较高，一般只有3-4层，而深度神经网络由于采用了特殊的训练方法加上一些小trick，可以达到8-10层，从而能够得到更精准的模型。
学习深度学习，首先要学习主流的框架，如TensorFlow、Pytorch、Keras、Caffee等。
总结：
如果，你能把整个流程学习下来，相信你一定已经是位人工智能小牛了。但眼前，你要开始的第一步不是点收藏，而是点开第一个Python课程，亲手开始敲下第一行代码。希望这篇文章能帮你敲开机器学习的大门～
如果你想系统地学习机器学习，这里还有一个更快地选择。「楼+ 机器学习实战」可以帮助你在6周时间内，系统学习从机器学习、强化学习到深度学习的内容，并亲手完成下面的项目：
课程包含 35节实验 + 20个挑战、7次直播+实时助教 —— 7月23日开课，目前还剩9个名额，点击下面的链接了解更多：
普通程序员如何成为人工智能大咖？这有一份转型指南！
长按下面的二维码扫描入群，即可和班主任、老师近距离接触，同时获取学习大纲、最新优惠信息～
（如遇人满，请加sylmm001拉您入群）
点击「阅读原文」
获取「机器学习工程师」修炼路径